메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
한재현 (광운대학교) 윤창표 (경기과학기술대학교) 황치곤 (광운대학교)
저널정보
한국정보통신학회 한국정보통신학회논문지 한국정보통신학회논문지 제29권 제3호
발행연도
2025.3
수록면
303 - 308 (6page)
DOI
10.6109/jkiice.2025.29.3.303

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
시계열 데이터 예측은 금융, 경제, 기상, 에너지 등 다양한 분야에서 핵심적인 역할을 수행한다. 기존의 SARIMAX 모델은 계절성, 추세, 외생 변수를 포함하여 선형적 패턴을 효과적으로 예측하지만, 비선형 관계를 포착하는 데는 한계가 있다. 한편, Transformer 모델은 Attention 메커니즘을 통해 비선형 패턴과 장기 의존성을 학습하는데 탁월한 성능을 보여주며, 최근 시계열 분석에서 주목받고 있다. 본 연구는 SARIMAX 모델의 선형적 예측 강점과 Transformer 모델의 비선형적 학습 능력을 결합한 Stacked SARIMAX-Transformer 모델을 제안한다. 스태킹 기법을 적용하여 두 모델의 예측 결과를 통합하고, 이를 메타 모델의 입력으로 사용함으로써 시계열 데이터의 다양한 패턴을 포괄적으로 학습한다. 실증 분석 결과, 제안 모델은 SARIMAX와 Transformer 모델 단독 사용 대비 MAE, MAPE, RMSE와 같은 예측 오차를 줄이고 R-squared 값을 향상하며 우수한 성능을 입증하였다.
#트랜스포머 #스태킹 일반화 #시계열 예측 #Stacked SARIMAX-Transformer #SARIMAX #Transformer #Stacked Generalization #Time Series forecasting

목차

요약
ABSTRACT
Ⅰ. 서론
Ⅱ. 관련 연구
Ⅲ. 제안 방법론
Ⅳ. 분석 및 평가
Ⅴ. 결론
REFERENCES

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0